[1] "sexe"
F H <NA>
2856 8512 2352 SHOC-humain
DATA
quiz
participant.es
Sexe
Femme, homme, NA, en fonction des prénoms détectés dans les emails.
Cocheurs
Correspondance des emails entre les répondant.es au quiz et les 1741 cocheurs sur cocheurs.fr
[1] "cocheur"
Non Oui <NA>
12264 1456 0 Ancienneté
Ancienneté déclaré par les répondant.es pour le.s suivis participatifs
Departement
Département français métropolitain + suisse
01 02 03 04 05 06 07 08 09 10 11 13 14 15 16 17
10 2 2 2 4 2 3 2 3 6 4 4 4 1 2 7
18 19 21 22 23 24 25 26 27 28 29 2B 30 31 32 33
10 1 6 5 4 8 2 6 2 4 8 2 7 12 5 15
34 35 37 38 40 41 42 43 44 45 46 47 48 49 50 51
10 7 7 7 2 6 13 2 23 7 7 2 1 16 2 3
52 53 55 56 57 58 59 60 62 63 64 65 66 67 68 69
3 7 1 9 1 1 11 5 10 3 3 1 7 4 7 10
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
1 7 5 2 3 4 4 3 13 17 5 6 1 6 6 10
86 87 88 89 90 91 92 93 94 95 su <NA>
4 2 1 3 2 7 10 5 3 5 2 1 Région et biorégion
Départements associés à une région admin, à une biorégion (INPN)
Bagueurs
Correspondances des emails entre les participant.es et les 32 premiers bagueurs (CRBPO)
[1] "samuelhavet@hotmail.fr" "brigitte.grand@wanadoo.fr"
[3] "mfcanevet@gmail.com" "bastienjeannin@yahoo.fr"
[5] "jp.gans@sfr.fr" "jeremy.dupuy@lpo.fr" Expert sciences participatives
Si participation_stoc == “Oui”, participation_shoc == “Oui”, participation_epoc == “Oui”, bagueur == “Oui” ou nb_obs_cocheurs >= 300, alors la·e participant·e est considéré·e comme expert·e.
[1] "samuelhavet@hotmail.fr" "qgiraud33@gmail.com" "qgiraud33@gmail.com"
[4] "dbizet@cogard.org" "valsp@yahoo.fr" "paul.coiffard@lpo.fr" Species
Nom vernatuclaire et code espèce
Shoc
Tendances SHOC
Augmentation forte Augmentation modérée
16 4
Augmentation modérée à forte Déclin fort
9 4
Déclin modéré Déclin modéré à fort
8 2
Incertain Stable
53 12 Stoc
Tendances SHOC et STOC
traits
catégories de tendances
[1] "avis quiz shoc"
En augmentation En déclin Fluctuante Je ne sais pas Stable
2146 3496 1139 2501 5208
<NA>
0
Fort Modéré Modéré à fort <NA>
681 3095 1519 9195
Augmentation Déclin Fluctuante Incertain Stable <NA>
2146 3496 1139 2501 5208 0
Augmentation Augmentation fort
194 179
Augmentation modéré Augmentation modéré à fort
1323 450
Déclin Déclin fort
192 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Fluctuante modéré
1132 7
Incertain Incertain modéré
2499 1
Incertain modéré à fort Stable
1 5178
Stable fort Stable modéré
1 20
Stable modéré à fort <NA>
9 0
Augmentation Augmentation fort
194 179
Augmentation modéré Augmentation modéré à fort
1323 450
Déclin Déclin fort
192 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Incertain
1139 2501
Stable <NA>
5208 0 [1] "catégoies quiz shoc après transformation en 2 nouveaux"[1] "niveau 1"
Augmentation Déclin Fluctuante Incertain Stable
2146 3496 1139 2501 5208 [1] "niveau 2"
Augmentation fort Augmentation modéré
179 1323
Augmentation modéré à fort Déclin fort
450 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Incertain
1139 2501
Stable
5208 [1] "catégoies des tendances shoc"[1] "niveau 1"
Augmentation Déclin Incertain Stable
29 14 53 12 [1] "niveau 2"
Augmentation fort Augmentation modéré
16 4
Augmentation modéré à fort Déclin fort
9 4
Déclin modéré Déclin modéré à fort
8 2
Incertain Stable
53 12 dataset
comparaison SHOC vs Humain
Si tendances SHOC et réponses identiques ou différentes
Niveau 1 :
Augmentation = augmentation
Déclin = déclin
Stable = stable
Incertain = je ne sais pas, fluctuante ou incertain
[1] "Jeu de données propres à analyser"exploration données
email espece avis_niv1 avis_niv2
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
migrateur migrateur_simplifie regime abondance
Length:13720 Length:13720 Length:13720 Min. : 1500
Class :character Class :character Class :character 1st Qu.: 281250
Mode :character Mode :character Mode :character Median : 775000
Mean :1685679
3rd Qu.:1862500
Max. :9000000
detectabilite gregaire fluctuante popularite
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
fauneFrance abondance_log departement participation_stoc
Min. :-0.852880 Min. : 7.313 Length:13720 Length:13720
1st Qu.:-0.636089 1st Qu.:12.540 Class :character Class :character
Median :-0.452104 Median :13.560 Mode :character Mode :character
Mean : 0.007713 Mean :13.334
3rd Qu.: 0.093103 3rd Qu.:14.420
Max. : 2.435363 Max. :16.013
participation_shoc participation_epoc participation_odj sexe
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
cocheur nb_obs_cocheurs anciennete region
Length:13720 Min. :111.0 Min. : 0.000 Length:13720
Class :character 1st Qu.:265.0 1st Qu.: 0.000 Class :character
Mode :character Median :344.5 Median : 4.000 Mode :character
Mean :334.3 Mean : 5.857
3rd Qu.:415.0 3rd Qu.:10.000
Max. :482.0 Max. :41.000
NA's :12264
bioregion bagueur expert tendance_shoc
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
tendances_stoc tendances_stoc_simplifie pourcentage_stoc
Length:13720 Length:13720 Min. :-0.77334
Class :character Class :character 1st Qu.:-0.43732
Mode :character Mode :character Median :-0.24471
Mean :-0.09049
3rd Qu.:-0.08037
Max. : 2.77736
NA's :490
tendance_shoc_niv1 tendance_shoc_niv2 comparaison_niv1 comparaison_niv2
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
01 02 03 04 05 06 07 08 09 10 11 13 14 15 16 17
280 56 56 56 112 56 84 56 84 168 112 112 112 28 56 196
18 19 21 22 23 24 25 26 27 28 29 2B 30 31 32 33
280 28 168 140 112 224 56 168 56 112 224 56 196 336 140 420
34 35 37 38 40 41 42 43 44 45 46 47 48 49 50 51
280 196 196 196 56 168 364 56 644 196 196 56 28 448 56 84
52 53 55 56 57 58 59 60 62 63 64 65 66 67 68 69
84 196 28 252 28 28 308 140 280 84 84 28 196 112 196 280
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
28 196 140 56 84 112 112 84 364 476 140 168 28 168 168 280
86 87 88 89 90 91 92 93 94 95 su <NA>
112 56 28 84 56 196 280 140 84 140 56 0 [1] "participation_stoc"
Non Oui <NA>
7840 5880 0 [1] "participation_shoc"
Non Oui <NA>
8176 5544 0 [1] "participation_epoc"
Non Oui <NA>
9492 4228 0
Non Oui <NA>
5124 8596 0 [1] "tendances_stoc"
Augmentation forte Augmentation modérée
1470 2940
Augmentation modérée à forte Déclin fort
490 980
Déclin modéré Déclin modéré à fort
3430 1470
Stable <NA>
2450 490 [1] "pourcentage_stoc"
-0.773339424601803 -0.664473778519284 -0.662380208402312 -0.649818787700483
490 490 490 490
-0.571309908314051 -0.523157795623706 -0.437321420827873 -0.41847928977513
490 490 490 490
-0.325315419569897 -0.320081494277468 -0.286584372405923 -0.28239723217198
490 490 490 490
-0.261461531002265 -0.244712970066493 -0.210169063136463 -0.177718726323404
490 490 490 490
-0.155736240095203 -0.132706968808516 -0.125379473399116 -0.0992098469369719
490 490 490 490
-0.0803677158842282 -0.0165138273165966 0.0389657807831488 0.12270858546201
490 490 490 490
0.600042572131518 1.43642383386164 2.77735549378191 <NA>
490 490 490 490 [1] "tendances_stoc_simplifie"
Augmentation Déclin Stable <NA>
4900 5880 2450 490 [1] "tendances_stoc_simplifie_2"Warning: Unknown or uninitialised column: `tendances_stoc_simplifie_2`.
<NA>
0 [1] "detectabilite"
Faible Forte <NA>
6860 6860 0 [1] "gregaire"
Non Oui <NA>
5880 7840 0 [1] "fluctuante"
Non Oui <NA>
10290 3430 0 [1] "migrateur"
Non Oui Partiel <NA>
4410 1470 7840 0 [1] "migrateur simplifié"
Non Oui <NA>
4410 9310 0 [1] "abondance"
1500 22500 45000 75000 80000 225000 3e+05 4e+05 525000 650000
490 490 490 490 490 980 490 490 490 490
7e+05 750000 8e+05 1250000 1300000 1500000 1650000 2500000 3250000 4e+06
980 490 490 490 490 1470 490 490 980 490
4500000 6500000 9e+06 <NA>
490 490 490 0 
[1] "abondance log"
7.3132203870903 10.0212705881925 10.7144177687525 11.2252433925184
490 490 490 490
11.289781913656 12.3238556811866 12.6115377536383 12.8992198260901
490 980 490 490
13.1711535415738 13.3847276418718 13.4588356140255 13.5278284855125
490 490 980 490
13.5923670066501 14.0386541092785 14.0778748224318 14.2209756660724
490 490 490 1470
14.3162858458768 14.7318012898384 14.9941655543059 15.2018049190842
490 490 980 490
15.3195879547405 15.6873127348659 16.0127351353005 <NA>
490 490 490 0 
[1] "fauneFrance"
-0.852879689044691 -0.840494517413959 -0.838284301897863 -0.811244007565813
490 490 490 490
-0.787270138364202 -0.718195925523346 -0.717419363314988 -0.608979420065839
490 490 490 490
-0.570290692608421 -0.561429918692543 -0.544026960484729 -0.520869477194468
490 490 490 490
-0.494127860634863 -0.476247017991137 -0.427960778112476 -0.376926702727318
490 490 490 490
-0.369260639901221 -0.281389639247807 -0.0582773432311487 -0.0549719758827538
490 490 490 490
0.0410429720326701 0.249281114981551 1.13065930961621 1.16377271865465
490 490 490 490
1.85897510179839 2.00526747474211 2.24215877199424 2.43536346706337
490 490 490 490
<NA>
0 [1] "regime"
Granivore Insectivore Omnivore <NA>
4410 4410 4900 0 [1] "popularite"
Non Oui <NA>
5390 8330 0 [1] "comparaison_niv1"
different identique <NA>
9436 4284 0 [1] "comparaison_niv2"
different identique <NA>
10500 2864 356 FREQUENCES
Shoc vs hasard
Chi-squared test for given probabilities
data: obs_shoc
X-squared = 700, df = 3, p-value < 2.2e-16 Tendance Observé Attendu Résidu_std.Var1 Résidu_std.Freq
Augmentation Augmentation 4410 3430 Augmentation 19.321836
Déclin Déclin 3920 3430 Déclin 9.660918
Incertain Incertain 2940 3430 Incertain -9.660918
Stable Stable 2450 3430 Stable -19.321836p-value < 0.05 → la distribution est significativement différente du hasard
Niv 1 vs hasard
Chi-squared test for given probabilities
data: obs_avis_niv1
X-squared = 3238.7, df = 4, p-value < 2.2e-16 Tendance Observé Attendu Résidu_std.Var1 Résidu_std.Freq
Augmentation Augmentation 2033 2744 Augmentation -15.17513
Déclin Déclin 3269 2744 Déclin 11.20527
Fluctuante Fluctuante 1054 2744 Fluctuante -36.07029
Incertain Incertain 2361 2744 Incertain -8.17451
Stable Stable 5003 2744 Stable 48.21467p-value < 0.05 → la distribution est significativement différente du hasard
Shoc vs niv 1
Augmentation Déclin Incertain Stable
SHOC 4410 3920 2940 2450
AVIS 2033 3269 2361 5003
Pearson's Chi-squared test
data: tab_chi2
X-squared = 1834.5, df = 3, p-value < 2.2e-16[1] "résidus" Augmentation Déclin Incertain Stable
SHOC 30.39867 5.03482 5.647143 -39.01322
AVIS -30.39867 -5.03482 -5.647143 39.01322[1] "proportions" Augmentation Déclin Incertain Stable
SHOC 0.3214286 0.2857143 0.2142857 0.1785714
AVIS 0.1605084 0.2580925 0.1864045 0.3949945p-value < 0.05 → les distributions diffèrent significativement entre SHOC et AVIS
Conclusions :
🔹 Augmentation
Résidus : SHOC +27.6, AVIS −27.6
Proportions : SHOC 30.0 %, AVIS 16.1 %
👉 Augmentation est massivement plus fréquente dans SHOC que dans AVIS C’est l’un des moteurs principaux du χ².
🔹 Déclin
Résidus : SHOC +0.92, AVIS −0.92
Proportions : SHOC 26.7 %, AVIS 26.2 %
👉 Aucune différence réelle Déclin se comporte de la même manière dans les deux sources.
🔹 Incertain
Résidus : SHOC +16.1, AVIS −16.1
Proportions : SHOC 26.7 %, AVIS 18.6 %
👉 Incertain est fortement sur-représenté dans SHOC Clairement différent entre les deux distributions.
🔹 Stable
Résidus : SHOC −42.2, AVIS +42.2
Proportions : SHOC 16.7 %, AVIS 39.1 %
👉 Stable est massivement plus fréquent dans AVIS que dans SHOC C’est le contraste le plus fort du tableau.
En résumé :
Les distributions de tendances diffèrent fortement entre SHOC et AVIS (χ², p < 0.001). Les écarts sont principalement dus à une sur-représentation des modalités « Augmentation » et « Incertain » dans SHOC, tandis que la modalité « Stable » est largement dominante dans AVIS. La modalité « Déclin » ne montre pas de différence significative entre les deux sources.
SHOC → profil plus dynamique / incertain : plus d’Augmentation, plus d’Incertain, peu de Stable
AVIS → profil nettement plus stable, Stable ≈ 40 %, moins d’Augmentation
👉 Ce n’est pas un effet d’échantillon, mais un changement structurel de profil.
Interprétations possibles ?
Chez les participant.es, biais vers le stable, et peu d’aumgmentation. En demandant de répondre pour des tendances, on pense moins facilement à répondre stable ? Et oin parle beaucoup des déclins (média, crise ecolo…), mais peu des augmentations, donc les gens n’y pensent pas ?
PROPORTION IDENTIQUE vs DIFFERENT
[1] "proportion de tendances d'identiques vs différentes, niveau 1"[1] "toutes les tendances" Var1 Freq prop
1 different 9436 0.6877551
2 identique 4284 0.3122449
3 <NA> 0 0.0000000[1] "declin et augmentation seulement" Var1 Freq prop
1 different 5964 0.7159664
2 identique 2366 0.2840336
3 <NA> 0 0.0000000ANALYSES ORDINALES
Analyses faites ici uniquement sur le niveau 1 “déclin, stable, augmentation), mais les résultats étaient qualitativement les mêmes au niveau 2, même si moins de puissance statistiques.
données
aléatoire
Sélection de modèle pour les effets aléatoires : email, région, biorégion, departement, email + region, email + bioregion, email + departement
Meilleur modèle avec uniquement effets aléatoires :
df AIC
m_n1.1 3 14300.13
m_n1.7 4 14302.11
m_n1.5 4 14302.13
m_n1.6 4 14302.13
m_n1.4 3 14442.81
m_n1.2 3 14468.69
m_n1.3 3 14473.24Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ 1 + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -7147.06 14300.13 117(368) 3.27e-06 7.3e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.2729 0.5224
Number of groups: email 397
No Coefficients
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.17264 0.03910 -29.99
Stable|Augmentation 1.33043 0.03986 33.37Effet aléatoire “email” dans tous les modèles par la suite.
perception ~ stats
Modèle estimant la correlation ordinale entre les perceptions et les tendances statistiques.
Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6727.49 13464.97 222(682) 3.84e-03 6.3e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3294 0.5739
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.1356 0.0408 27.834 < 2e-16 ***
tendance_shoc_niv1.Q -0.1313 0.0442 -2.971 0.00297 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.27787 0.04243 -30.11
Stable|Augmentation 1.48848 0.04349 34.23espece
Modèle estimant la correlation ordinale entre les perceptions et les tendances statistiques en fonction de chaque espèce.
ATTTENTION : tous les coefficient pour chacunes des espèces ne sont pas estimables (modèle à prendre avec des pincettes)
Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * espece + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -5996.93 12041.85 3714(11170) 3.76e-03 1.4e+02
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.4857 0.6969
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.01063 0.10757 9.395 < 2e-16 ***
tendance_shoc_niv1.Q -0.94924 0.10793 -8.795 < 2e-16 ***
especeBouscarle de Cetti 1.02421 0.16866 6.072 1.26e-09 ***
especeBruant zizi -0.98578 0.16540 -5.960 2.53e-09 ***
especeChoucas des tours 1.07236 0.15576 6.885 5.79e-12 ***
especeGeai des chênes 1.46891 0.15551 9.446 < 2e-16 ***
especeGrimpereau des jardins -0.64779 0.15154 -4.275 1.91e-05 ***
especeGrive draine -0.49593 0.16461 -3.013 0.00259 **
especeMerle noir 1.13181 0.15489 7.307 2.73e-13 ***
especeMésange bleue -0.01333 0.14946 -0.089 0.92895
especeMésange nonnette -2.35238 0.17033 -13.811 < 2e-16 ***
especePic vert -0.84328 0.14944 -5.643 1.67e-08 ***
especePie bavarde 0.91988 0.14511 6.339 2.31e-10 ***
especePigeon ramier 2.05308 0.15623 13.141 < 2e-16 ***
especePinson des arbres -1.25101 0.15284 -8.185 2.72e-16 ***
especePipit farlouse -1.20040 0.17727 -6.772 1.27e-11 ***
especePouillot véloce 0.08444 0.15808 0.534 0.59323
especeRoitelet à triple bandeau -0.36924 0.16001 -2.308 0.02102 *
especeRoitelet huppé -0.44197 0.17825 -2.480 0.01316 *
especeTroglodyte mignon 0.48798 0.15397 3.169 0.00153 **
especeVerdier d'Europe -2.16048 0.18060 -11.963 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.63571 0.07555 -21.65
Stable|Augmentation 1.60172 0.07514 21.32variables de type “trait” des espèces
abondance
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_1 avis_niv1 ~ tendance_shoc_niv1 + abondance_log + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_1 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_1 6 13437 -6712.3 30.337 1 3.632e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula:
m_n1_trait_1 avis_niv1 ~ tendance_shoc_niv1 + abondance_log + (1 | email)
m_n1_trait_1int avis_niv1 ~ 1 + tendance_shoc_niv1 * abondance_log + (1 | email)
link: threshold:
m_n1_trait_1 logit flexible
m_n1_trait_1int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_1 6 13437 -6712.3
m_n1_trait_1int 8 13348 -6666.0 92.622 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + abondance_log + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6712.32 13436.64 284(870) 4.44e-03 7.5e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3301 0.5745
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.15934 0.04108 28.220 < 2e-16 ***
tendance_shoc_niv1.Q -0.10007 0.04459 -2.244 0.0248 *
abondance_log 0.13093 0.02382 5.497 3.86e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.27510 0.04249 -30.01
Stable|Augmentation 1.49966 0.04360 34.39Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ 1 + tendance_shoc_niv1 * abondance_log + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6666.01 13348.01 461(1405) 3.16e-03 7.5e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3363 0.5799
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.15798 0.04129 28.046 < 2e-16 ***
tendance_shoc_niv1.Q -0.13806 0.04550 -3.034 0.00241 **
abondance_log 0.14416 0.02450 5.885 3.98e-09 ***
tendance_shoc_niv1.L:abondance_log -0.37189 0.03944 -9.429 < 2e-16 ***
tendance_shoc_niv1.Q:abondance_log 0.09478 0.04510 2.101 0.03560 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.27120 0.04302 -29.55
Stable|Augmentation 1.52598 0.04416 34.55popularité
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_2 avis_niv1 ~ tendance_shoc_niv1 + popularite + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_2 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_2 6 13156 -6571.8 311.42 1 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_trait_2 avis_niv1 ~ tendance_shoc_niv1 + popularite + (1 | email) logit
m_n1_trait_2int avis_niv1 ~ tendance_shoc_niv1 * popularite + (1 | email) logit
threshold:
m_n1_trait_2 flexible
m_n1_trait_2int flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_2 6 13156 -6571.8
m_n1_trait_2int 8 13124 -6554.2 35.158 2 2.32e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + popularite + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6571.78 13155.55 309(937) 1.91e-03 1.1e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3605 0.6004
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.14254 0.04120 27.732 <2e-16 ***
tendance_shoc_niv1.Q 0.06215 0.04577 1.358 0.175
populariteOui 0.91447 0.05254 17.407 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -0.69811 0.05406 -12.91
Stable|Augmentation 2.16666 0.06043 35.85Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * popularite + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6554.20 13124.40 788(2376) 6.71e-03 4.6e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3635 0.6029
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.11341 0.06192 17.980 < 2e-16 ***
tendance_shoc_niv1.Q 0.63269 0.10810 5.853 4.84e-09 ***
populariteOui 1.07666 0.05980 18.004 < 2e-16 ***
tendance_shoc_niv1.L:populariteOui 0.06404 0.07855 0.815 0.415
tendance_shoc_niv1.Q:populariteOui -0.69923 0.11949 -5.852 4.86e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -0.54468 0.06027 -9.037
Stable|Augmentation 2.33549 0.06744 34.630détectabilité
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_3 avis_niv1 ~ tendance_shoc_niv1 + detectabilite + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_3 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_3 6 12664 -6325.8 803.43 1 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula:
m_n1_trait_3 avis_niv1 ~ tendance_shoc_niv1 + detectabilite + (1 | email)
m_n1_trait_3int avis_niv1 ~ tendance_shoc_niv1 * detectabilite + (1 | email)
link: threshold:
m_n1_trait_3 logit flexible
m_n1_trait_3int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_3 6 12664 -6325.8
m_n1_trait_3int 8 12626 -6305.2 41.133 2 1.17e-09 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + detectabilite + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6325.77 12663.54 353(1069) 2.80e-03 9.6e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.4037 0.6353
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.07299 0.04156 25.818 <2e-16 ***
tendance_shoc_niv1.Q -0.01478 0.04546 -0.325 0.745
detectabiliteForte 1.41717 0.05206 27.223 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -0.61634 0.05028 -12.26
Stable|Augmentation 2.42501 0.05985 40.52Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * detectabilite + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6305.20 12626.41 449(1370) 9.36e-04 2.0e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.4098 0.6401
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.21132 0.05880 20.601 < 2e-16
tendance_shoc_niv1.Q -0.30156 0.07257 -4.155 3.25e-05
detectabiliteForte 1.36974 0.05310 25.797 < 2e-16
tendance_shoc_niv1.L:detectabiliteForte -0.29434 0.07933 -3.710 0.000207
tendance_shoc_niv1.Q:detectabiliteForte 0.49683 0.09346 5.316 1.06e-07
tendance_shoc_niv1.L ***
tendance_shoc_niv1.Q ***
detectabiliteForte ***
tendance_shoc_niv1.L:detectabiliteForte ***
tendance_shoc_niv1.Q:detectabiliteForte ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -0.66913 0.05148 -13.00
Stable|Augmentation 2.37573 0.06032 39.39régime
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_4 avis_niv1 ~ tendance_shoc_niv1 + regime + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_4 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_4 7 13291 -6638.5 178.05 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1design is column rank deficient so dropping 1 coefLikelihood ratio tests of cumulative link models:
formula: link:
m_n1_trait_4 avis_niv1 ~ tendance_shoc_niv1 + regime + (1 | email) logit
m_n1_trait_4int avis_niv1 ~ tendance_shoc_niv1 * regime + (1 | email) logit
threshold:
m_n1_trait_4 flexible
m_n1_trait_4int flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_4 7 13291 -6638.5
m_n1_trait_4int 10 12908 -6443.8 389.4 3 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + regime + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6638.46 13290.92 381(1163) 3.15e-03 1.8e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3487 0.5905
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.22731 0.04167 29.451 < 2e-16 ***
tendance_shoc_niv1.Q 0.06777 0.04994 1.357 0.17476
regimeInsectivore -0.21326 0.06760 -3.155 0.00161 **
regimeOmnivore 0.53594 0.06266 8.553 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.15408 0.06066 -19.02
Stable|Augmentation 1.66740 0.06263 26.62Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * regime + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6443.76 12907.52 1192(3602) 4.70e-03 7.9e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3878 0.6227
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 2.91247 0.11853 24.571 < 2e-16 ***
tendance_shoc_niv1.Q -0.93842 0.09022 -10.402 < 2e-16 ***
regimeInsectivore 0.57384 0.09031 6.354 2.09e-10 ***
regimeOmnivore 0.90665 0.07156 12.669 < 2e-16 ***
tendance_shoc_niv1.L:regimeInsectivore -1.90575 0.12839 -14.844 < 2e-16 ***
tendance_shoc_niv1.L:regimeOmnivore -1.87201 0.13536 -13.830 < 2e-16 ***
tendance_shoc_niv1.Q:regimeOmnivore 1.41328 0.11155 12.669 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -0.83715 0.07020 -11.93
Stable|Augmentation 2.07448 0.07201 28.81migrateur
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_5 avis_niv1 ~ tendance_shoc_niv1 + migrateur + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_5 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_5 7 13388 -6686.9 81.244 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1design is column rank deficient so dropping 2 coefLikelihood ratio tests of cumulative link models:
formula: link:
m_n1_trait_5 avis_niv1 ~ tendance_shoc_niv1 + migrateur + (1 | email) logit
m_n1_trait_5int avis_niv1 ~ tendance_shoc_niv1 * migrateur + (1 | email) logit
threshold:
m_n1_trait_5 flexible
m_n1_trait_5int flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_5 7 13388 -6686.9
m_n1_trait_5int 9 13187 -6584.6 204.57 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + migrateur + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6686.86 13387.73 589(1787) 4.05e-03 3.3e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3343 0.5782
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.05424 0.04171 25.277 <2e-16 ***
tendance_shoc_niv1.Q -0.06954 0.04528 -1.536 0.1245
migrateurOui -1.26444 0.14535 -8.699 <2e-16 ***
migrateurPartiel -0.10937 0.04898 -2.233 0.0255 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.38391 0.05131 -26.97
Stable|Augmentation 1.39945 0.05139 27.23Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * migrateur + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6584.58 13187.16 1043(3153) 2.24e-03 4.3e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3547 0.5956
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.35874 0.06547 5.479 4.27e-08 ***
tendance_shoc_niv1.Q 0.22329 0.06357 3.513 0.000444 ***
migrateurOui -1.98869 0.15479 -12.848 < 2e-16 ***
migrateurPartiel -0.15676 0.05018 -3.124 0.001786 **
tendance_shoc_niv1.L:migrateurPartiel 1.11829 0.08321 13.440 < 2e-16 ***
tendance_shoc_niv1.Q:migrateurPartiel -0.51978 0.09158 -5.676 1.38e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.49412 0.05293 -28.23
Stable|Augmentation 1.35470 0.05208 26.01gregaire
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_6 avis_niv1 ~ tendance_shoc_niv1 + gregaire + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_6 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_6 6 13329 -6658.5 137.94 1 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_trait_6 avis_niv1 ~ tendance_shoc_niv1 + gregaire + (1 | email) logit
m_n1_trait_6int avis_niv1 ~ tendance_shoc_niv1 * gregaire + (1 | email) logit
threshold:
m_n1_trait_6 flexible
m_n1_trait_6int flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_6 6 13329 -6658.5
m_n1_trait_6int 8 13008 -6495.9 325.34 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + gregaire + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6658.52 13329.04 276(838) 1.63e-03 7.4e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3348 0.5786
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.18687 0.04124 28.778 < 2e-16 ***
tendance_shoc_niv1.Q -0.22687 0.04509 -5.031 4.87e-07 ***
gregaireOui -0.57172 0.04898 -11.672 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.54157 0.04881 -31.58
Stable|Augmentation 1.26452 0.04732 26.72Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * gregaire + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6495.85 13007.70 455(1387) 2.00e-03 1.7e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3706 0.6087
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.69584 0.04923 14.135 < 2e-16 ***
tendance_shoc_niv1.Q -0.22416 0.06491 -3.453 0.000553 ***
gregaireOui -0.67204 0.05109 -13.154 < 2e-16 ***
tendance_shoc_niv1.L:gregaireOui 1.48822 0.08452 17.607 < 2e-16 ***
tendance_shoc_niv1.Q:gregaireOui -0.14263 0.09181 -1.554 0.120290
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.57363 0.05096 -30.88
Stable|Augmentation 1.30950 0.04929 26.57fauneFrance
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_trait_7 avis_niv1 ~ tendance_shoc_niv1 + fauneFrance + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_trait_7 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_7 6 13235 -6611.6 231.67 1 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula:
m_n1_trait_7 avis_niv1 ~ tendance_shoc_niv1 + fauneFrance + (1 | email)
m_n1_trait_7int avis_niv1 ~ tendance_shoc_niv1 * fauneFrance + (1 | email)
link: threshold:
m_n1_trait_7 logit flexible
m_n1_trait_7int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_7 6 13235 -6611.6
m_n1_trait_7int 8 13025 -6504.5 214.26 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + fauneFrance + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6611.65 13235.30 353(1069) 3.22e-03 8.9e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3509 0.5924
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.62793 0.05292 11.865 < 2e-16 ***
tendance_shoc_niv1.Q -0.24300 0.04504 -5.395 6.84e-08 ***
fauneFrance 0.50594 0.03493 14.484 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.34046 0.04357 -30.77
Stable|Augmentation 1.49011 0.04447 33.51Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * fauneFrance + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6504.52 13025.04 798(2425) 8.11e-03 9.9e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3708 0.609
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.28072 0.06619 4.241 2.23e-05 ***
tendance_shoc_niv1.Q -0.32865 0.06798 -4.834 1.34e-06 ***
fauneFrance 1.44281 0.07888 18.292 < 2e-16 ***
tendance_shoc_niv1.L:fauneFrance -0.79043 0.07508 -10.528 < 2e-16 ***
tendance_shoc_niv1.Q:fauneFrance -1.38124 0.17443 -7.918 2.41e-15 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.80617 0.05586 -32.34
Stable|Augmentation 1.09509 0.05247 20.87pourcentage tendance stoc
Likelihood ratio tests of cumulative link models:
formula:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email)
m_n1_trait_8 avis_niv1 ~ tendance_shoc_niv1 + pourcentage_stoc + (1 | email)
link: threshold:
m_n1_base logit flexible
m_n1_trait_8 logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_trait_8 6 13235 -6611.6 231.67 1 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula:
m_n1_trait_8 avis_niv1 ~ tendance_shoc_niv1 + pourcentage_stoc + (1 | email)
m_n1_trait_8int avis_niv1 ~ tendance_shoc_niv1 * pourcentage_stoc + (1 | email)
link: threshold:
m_n1_trait_8 logit flexible
m_n1_trait_8int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_trait_8 6 13235 -6611.6
m_n1_trait_8int 8 13025 -6504.5 214.26 2 < 2.2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + pourcentage_stoc + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6611.65 13235.30 353(1069) 3.19e-03 8.9e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3509 0.5924
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.62793 0.05292 11.865 < 2e-16 ***
tendance_shoc_niv1.Q -0.24300 0.04504 -5.395 6.84e-08 ***
pourcentage_stoc 0.50594 0.03493 14.484 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.34046 0.04357 -30.77
Stable|Augmentation 1.49011 0.04447 33.51Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * pourcentage_stoc + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6504.52 13025.04 765(2326) 6.82e-03 9.9e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3708 0.609
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.28067 0.06619 4.240 2.23e-05 ***
tendance_shoc_niv1.Q -0.32864 0.06799 -4.834 1.34e-06 ***
pourcentage_stoc 1.44279 0.07888 18.291 < 2e-16 ***
tendance_shoc_niv1.L:pourcentage_stoc -0.79044 0.07508 -10.528 < 2e-16 ***
tendance_shoc_niv1.Q:pourcentage_stoc -1.38113 0.17445 -7.917 2.43e-15 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.80617 0.05585 -32.34
Stable|Augmentation 1.09506 0.05247 20.87comparaison modèle par AIC
df AIC
m_n1_trait_3int 8 12626.41
m_n1_trait_3 6 12663.54
m_n1_trait_4int 10 12907.52
m_n1_trait_6int 8 13007.70
m_n1_trait_8int 8 13025.04
m_n1_trait_7int 8 13025.04
m_n1_trait_2int 8 13124.40
m_n1_trait_2 6 13155.55
m_n1_trait_5int 9 13187.16
m_n1_trait_8 6 13235.30
m_n1_trait_7 6 13235.30
m_n1_trait_4 7 13290.92
m_n1_trait_6 6 13329.04
m_n1_trait_1int 8 13348.01
m_n1_trait_5 7 13387.73
m_n1_trait_1 6 13436.64
m_n1_base 5 13464.97variables liées aux participants
sexe
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_participant_1 avis_niv1 ~ tendance_shoc_niv1 + sexe + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_participant_1 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_participant_1 6 13451 -6719.5 16.051 1 6.165e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_participant_1 avis_niv1 ~ tendance_shoc_niv1 + sexe + (1 | email) logit
m_n1_participant_1int avis_niv1 ~ tendance_shoc_niv1 * sexe + (1 | email) logit
threshold:
m_n1_participant_1 flexible
m_n1_participant_1int flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_participant_1 6 13451 -6719.5
m_n1_participant_1int 8 13439 -6711.4 16.205 2 0.0003028 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + sexe + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6719.46 13450.92 312(939) 3.04e-03 2.6e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3061 0.5533
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.13538 0.04079 27.832 < 2e-16 ***
tendance_shoc_niv1.Q -0.13255 0.04419 -2.999 0.0027 **
sexeH 0.34277 0.08471 4.046 5.21e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.01954 0.07548 -13.51
Stable|Augmentation 1.74650 0.07764 22.50Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * sexe + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6711.36 13438.72 605(1818) 2.73e-03 3.4e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3065 0.5537
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.86415 0.07957 10.860 < 2e-16 ***
tendance_shoc_niv1.Q -0.06674 0.08987 -0.743 0.458
sexeH 0.34183 0.08531 4.007 6.15e-05 ***
tendance_shoc_niv1.L:sexeH 0.35665 0.09015 3.956 7.61e-05 ***
tendance_shoc_niv1.Q:sexeH -0.08722 0.10322 -0.845 0.398
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.02314 0.07577 -13.5
Stable|Augmentation 1.74890 0.07807 22.4anciennete
Likelihood ratio tests of cumulative link models:
formula:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email)
m_n1_participant_2 avis_niv1 ~ tendance_shoc_niv1 + anciennete + (1 | email)
link: threshold:
m_n1_base logit flexible
m_n1_participant_2 logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_participant_2 6 13467 -6727.4 0.2232 1 0.6366Likelihood ratio tests of cumulative link models:
formula:
m_n1_participant_2 avis_niv1 ~ tendance_shoc_niv1 + anciennete + (1 | email)
m_n1_participant_2int avis_niv1 ~ tendance_shoc_niv1 * anciennete + (1 | email)
link: threshold:
m_n1_participant_2 logit flexible
m_n1_participant_2int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_participant_2 6 13467 -6727.4
m_n1_participant_2int 8 13451 -6717.5 19.738 2 5.176e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + anciennete + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6727.37 13466.75 276(846) 1.98e-03 6.3e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3292 0.5738
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.13559 0.04080 27.835 < 2e-16 ***
tendance_shoc_niv1.Q -0.13139 0.04420 -2.973 0.00295 **
anciennete 0.01795 0.03798 0.472 0.63659
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.27824 0.04244 -30.12
Stable|Augmentation 1.48814 0.04348 34.22Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * anciennete + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6717.51 13451.01 367(1123) 7.02e-04 6.3e+00
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3311 0.5754
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.137209 0.040816 27.862 < 2e-16 ***
tendance_shoc_niv1.Q -0.131576 0.044231 -2.975 0.00293 **
anciennete 0.012340 0.038424 0.321 0.74810
tendance_shoc_niv1.L:anciennete 0.170925 0.038692 4.418 9.98e-06 ***
tendance_shoc_niv1.Q:anciennete 0.006878 0.044709 0.154 0.87774
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.28076 0.04252 -30.12
Stable|Augmentation 1.49105 0.04358 34.22expert
Likelihood ratio tests of cumulative link models:
formula: link:
m_n1_base avis_niv1 ~ tendance_shoc_niv1 + (1 | email) logit
m_n1_participant_3 avis_niv1 ~ tendance_shoc_niv1 + expert + (1 | email) logit
threshold:
m_n1_base flexible
m_n1_participant_3 flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_base 5 13465 -6727.5
m_n1_participant_3 6 13466 -6726.8 1.3804 1 0.24Likelihood ratio tests of cumulative link models:
formula:
m_n1_participant_3 avis_niv1 ~ tendance_shoc_niv1 + expert + (1 | email)
m_n1_participant_3int avis_niv1 ~ tendance_shoc_niv1 * expert + (1 | email)
link: threshold:
m_n1_participant_3 logit flexible
m_n1_participant_3int logit flexible
no.par AIC logLik LR.stat df Pr(>Chisq)
m_n1_participant_3 6 13466 -6726.8
m_n1_participant_3int 8 13462 -6722.9 7.8744 2 0.0195 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 + expert + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6726.80 13465.59 297(909) 9.85e-04 2.1e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3275 0.5723
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 1.13514 0.04080 27.823 < 2e-16 ***
tendance_shoc_niv1.Q -0.13172 0.04420 -2.980 0.00288 **
expertOui 0.09324 0.07930 1.176 0.23969
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.21521 0.06788 -17.90
Stable|Augmentation 1.55114 0.06898 22.49Cumulative Link Mixed Model fitted with the Laplace approximation
formula: avis_niv1 ~ tendance_shoc_niv1 * expert + (1 | email)
data: dt1
link threshold nobs logLik AIC niter max.grad cond.H
logit flexible 7120 -6722.86 13461.72 579(1759) 3.86e-03 2.6e+01
Random effects:
Groups Name Variance Std.Dev.
email (Intercept) 0.3273 0.5721
Number of groups: email 397
Coefficients:
Estimate Std. Error z value Pr(>|z|)
tendance_shoc_niv1.L 0.99177 0.06883 14.408 < 2e-16 ***
tendance_shoc_niv1.Q -0.20065 0.07739 -2.593 0.00953 **
expertOui 0.07881 0.07982 0.987 0.32347
tendance_shoc_niv1.L:expertOui 0.21079 0.08191 2.573 0.01007 *
tendance_shoc_niv1.Q:expertOui 0.10063 0.09425 1.068 0.28565
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Déclin|Stable -1.22484 0.06813 -17.98
Stable|Augmentation 1.54373 0.06919 22.31comparaison modèle par AIC
df AIC
m_n1_participant_1int 8 13438.72
m_n1_participant_1 6 13450.92
m_n1_participant_2int 8 13451.01
m_n1_participant_3int 8 13461.72
m_n1_base 5 13464.97
m_n1_participant_3 6 13465.59
m_n1_participant_2 6 13466.75graphiques des résultats
coeffients des modèles
Term Estimate Std.Error
1 abondance_log.Déclin|Stable -1.2711977 0.04301992
2 abondance_log.Stable|Augmentation 1.5259846 0.04416078
3 abondance_log.tendance_shoc_niv1.L 1.1579827 0.04128901
4 abondance_log.tendance_shoc_niv1.Q -0.1380632 0.04550231
5 abondance_log.abondance_log 0.1441625 0.02449652
6 abondance_log.tendance_shoc_niv1.L:abondance_log -0.3718877 0.03944197
p.value variable
1 6.753981e-192 abondance_log
2 1.190873e-261 abondance_log
3 4.496853e-173 abondance_log
4 2.411727e-03 abondance_log
5 3.980080e-09 abondance_log
6 4.150871e-21 abondance_logWarning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.
Interprétation
1. Modèle avec abondance_log
Effet principal
L’abondance (log-transformée) a un effet positif significatif sur la réponse ordinale.
👉 Plus l’abondance augmente, plus la probabilité d’appartenir à une catégorie élevée de la variable réponse augmente.
Effet du SHOC
Le terme linéaire du SHOC est positif.
Le terme quadratique du SHOC est négatif.
👉 Relation non linéaire : l’effet du SHOC augmente jusqu’à un certain niveau puis diminue.
Interaction SHOC × abondance
Les interactions sont faibles ou non significatives.
👉 L’effet de l’abondance est globalement stable quel que soit le niveau du SHOC.
2. Modèle avec anciennete
Effet principal
L’ancienneté a un effet positif significatif.
👉 Les individus/sites plus anciens sont associés à des niveaux plus élevés de la réponse ordinale.
Effet du SHOC
Effet linéaire positif et effet quadratique négatif.
👉 Réponse maximale pour des valeurs intermédiaires du SHOC.
Interaction SHOC × ancienneté
Interaction linéaire significative et négative. 👉 L’effet positif de l’ancienneté diminue lorsque le SHOC augmente.
3. Modèle avec detectabilite
Effet principal
Une forte détectabilité a un effet positif très marqué.
👉 Les observations plus détectables sont associées à des catégories plus élevées de la réponse.
Effet du SHOC
Effet linéaire positif.
Effet quadratique négatif.
👉 Effet non linéaire du SHOC, cohérent avec un optimum intermédiaire.
Interaction SHOC × détectabilité
Interaction quadratique significative.
👉 Le rôle de la détectabilité varie selon le niveau du SHOC, surtout aux valeurs extrêmes.
4. Modèle avec expert
Effet principal
Le statut d’expert a un effet faible ou non significatif.
👉 Être expert n’influence pas directement la réponse ordinale.
Effet du SHOC
Effet linéaire positif, quadratique négatif.
👉 Relation non linéaire robuste.
Interaction SHOC × expert
Non significative.
👉 L’effet du SHOC est similaire chez les experts et non-experts.
5. Modèle avec fauneFrance
Effet principal
FauneFrance a un effet positif significatif.
👉 Les données issues de FauneFrance sont associées à des niveaux plus élevés de la réponse.
Effet du SHOC
Effet linéaire positif, quadratique négatif.
Interaction SHOC × FauneFrance
Interaction quadratique négative significative.
👉 L’effet positif de FauneFrance est atténué lorsque le SHOC est élevé.
6. Modèle avec popularite
Effet principal
La popularité a un effet positif significatif.
👉 Les espèces/objets plus populaires ont une probabilité plus élevée d’être dans une catégorie ordinale élevée.
Effet du SHOC
Effet linéaire positif.
Effet quadratique négatif.
Interaction SHOC × popularité
Interaction quadratique négative.
👉 L’effet de la popularité est moins marqué aux niveaux élevés de SHOC.
7. Modèle avec pourcentage_stoc
Effet principal
Le pourcentage STOC a un effet positif significatif.
👉 Une plus forte représentation STOC est associée à des catégories plus élevées.
Effet du SHOC
Effet linéaire positif, quadratique négatif.
Interaction SHOC × pourcentage STOC
Interaction quadratique négative.
👉 L’effet du STOC diminue lorsque le SHOC devient élevé.
8. Modèle avec sexe
Effet principal
Le sexe (H) a un effet faible ou modéré, parfois significatif.
👉 Le sexe peut influencer la réponse, mais l’effet reste limité.
Effet du SHOC
Effet linéaire positif.
Effet quadratique négatif.
Interaction SHOC × sexe
Non significative.
👉 La relation SHOC–réponse ne dépend pas du sexe.
Conclusion générale (très important)
Le SHOC est un déterminant majeur, avec un effet non linéaire cohérent dans tous les modèles.
La plupart des variables explicatives ont un effet positif direct sur la réponse ordinale.
Les interactions sont généralement faibles, mais certaines montrent une atténuation de l’effet des variables lorsque le SHOC est élevé.
Les résultats sont stables, cohérents et biologiquement/interprétativement plausibles.
probabilité (non cumulative) d’être dans une catégorie donnée
Traitement de: abondance_log
Variable prédictrice identifiée: abondance_log
Classe dans data: matrix array
Dimensions de newdat: 150 lignes
Colonnes de pred_df: tendance_shoc_niv1, abondance_log, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 abondance_log fit.Déclin fit.Stable fit.Augmentation
1 Déclin -2.396510 0.6608883 0.3032770 0.03583469
2 Stable -2.396510 0.2417656 0.5731190 0.18511537
3 Augmentation -2.396510 0.1084093 0.5182702 0.37332052
4 Déclin -2.314735 0.6530103 0.3099274 0.03706228
5 Stable -2.314735 0.2408326 0.5732820 0.18588534
6 Augmentation -2.314735 0.1090166 0.5191280 0.37185537
Dimensions de pred_long: 450 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.03583 0.19472 0.32153 0.33333 0.53114 0.66089 Graphique sauvegardé: plots_predictions/pred_abondance_log.png
Traitement de: popularite
Variable prédictrice identifiée: popularite
Classe dans data: factor
Niveaux de la variable: Non Oui
Dimensions de newdat: 6 lignes
Colonnes de pred_df: tendance_shoc_niv1, popularite, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 popularite fit.Déclin fit.Stable fit.Augmentation
1 Déclin Non 0.49831494 0.4379219 0.06376314
2 Stable Non 0.49406442 0.4411498 0.06478575
3 Augmentation Non 0.18252902 0.5849494 0.23252159
4 Déclin Oui 0.33279449 0.5477778 0.11942773
5 Stable Oui 0.17276236 0.5825702 0.24466739
6 Augmentation Oui 0.09229542 0.5081950 0.39950957
Dimensions de pred_long: 18 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.06376 0.17520 0.36615 0.33333 0.49725 0.58495 Graphique sauvegardé: plots_predictions/pred_popularite.png
Traitement de: detectabilite
Variable prédictrice identifiée: detectabilite
Classe dans data: factor
Niveaux de la variable: Faible Forte
Dimensions de newdat: 6 lignes
Colonnes de pred_df: tendance_shoc_niv1, detectabilite, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 detectabilite fit.Déclin fit.Stable fit.Augmentation
1 Déclin Faible 0.57323004 0.3845854 0.04218456
2 Stable Faible 0.30137804 0.5780277 0.12059429
3 Augmentation Faible 0.21346611 0.6075726 0.17896125
4 Déclin Forte 0.20331561 0.6085013 0.18818306
5 Stable Forte 0.14828789 0.5981050 0.25360713
6 Augmentation Forte 0.06967007 0.4890059 0.44132403
Dimensions de pred_long: 18 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.04218 0.18127 0.27749 0.33333 0.55217 0.60850 Graphique sauvegardé: plots_predictions/pred_detectabilite.png
Traitement de: fauneFrance
Variable prédictrice identifiée: fauneFrance
Classe dans data: matrix array
Dimensions de newdat: 150 lignes
Colonnes de pred_df: tendance_shoc_niv1, fauneFrance, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 fauneFrance fit.Déclin fit.Stable fit.Augmentation
1 Déclin -1.488147 0.6535871 0.3123625 0.03405037
2 Stable -1.488147 0.8435329 0.1442807 0.01218633
3 Augmentation -1.488147 0.2122218 0.5897782 0.19800004
4 Déclin -1.377403 0.6191365 0.3415587 0.03930479
5 Stable -1.377403 0.8045240 0.1795733 0.01590264
6 Augmentation -1.377403 0.2066853 0.5899512 0.20336348
Dimensions de pred_long: 450 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
9.710e-06 6.300e-02 2.688e-01 3.333e-01 5.365e-01 9.999e-01 Graphique sauvegardé: plots_predictions/pred_fauneFrance.png
Traitement de: pourcentage_stoc
Variable prédictrice identifiée: pourcentage_stoc
Classe dans data: matrix array
Dimensions de newdat: 150 lignes
Colonnes de pred_df: tendance_shoc_niv1, pourcentage_stoc, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 pourcentage_stoc fit.Déclin fit.Stable fit.Augmentation
1 Déclin -1.488147 0.6535871 0.3123625 0.03405037
2 Stable -1.488147 0.8435329 0.1442807 0.01218633
3 Augmentation -1.488147 0.2122218 0.5897782 0.19800004
4 Déclin -1.377403 0.6191365 0.3415587 0.03930479
5 Stable -1.377403 0.8045240 0.1795733 0.01590264
6 Augmentation -1.377403 0.2066853 0.5899512 0.20336348
Dimensions de pred_long: 450 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
9.710e-06 6.300e-02 2.688e-01 3.333e-01 5.365e-01 9.999e-01 Graphique sauvegardé: plots_predictions/pred_pourcentage_stoc.png
Traitement de: sexe
Variable prédictrice identifiée: sexe
Classe dans data: factor
Niveaux de la variable: F H
Dimensions de newdat: 6 lignes
Colonnes de pred_df: tendance_shoc_niv1, sexe, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 sexe fit.Déclin fit.Stable fit.Augmentation
1 Déclin F 0.4175722 0.4898931 0.09253466
2 Stable F 0.2682006 0.5654950 0.16630444
3 Augmentation F 0.1809252 0.5704066 0.24866821
4 Déclin H 0.4018534 0.5000072 0.09813938
5 Stable H 0.1978735 0.5735173 0.22860918
6 Augmentation H 0.1136067 0.5231701 0.36322322
Dimensions de pred_long: 18 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.09253 0.18516 0.31571 0.33333 0.49748 0.57352 Graphique sauvegardé: plots_predictions/pred_sexe.png
Traitement de: anciennete
Variable prédictrice identifiée: anciennete
Classe dans data: matrix array
Dimensions de newdat: 150 lignes
Colonnes de pred_df: tendance_shoc_niv1, anciennete, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 anciennete fit.Déclin fit.Stable fit.Augmentation
1 Déclin -0.9632647 0.3829744 0.5105236 0.1065020
2 Stable -0.9632647 0.2143118 0.5723290 0.2133592
3 Augmentation -0.9632647 0.1424077 0.5493795 0.3082128
4 Déclin -0.8374988 0.3859603 0.5087324 0.1053073
5 Stable -0.8374988 0.2143612 0.5723288 0.2133100
6 Augmentation -0.8374988 0.1404142 0.5478611 0.3117248
Dimensions de pred_long: 450 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.06036 0.21156 0.38948 0.33333 0.48658 0.57233 Graphique sauvegardé: plots_predictions/pred_anciennete.png
Traitement de: expert
Variable prédictrice identifiée: expert
Classe dans data: factor
Niveaux de la variable: Non Oui
Dimensions de newdat: 6 lignes
Colonnes de pred_df: tendance_shoc_niv1, expert, fit.Déclin, fit.Stable, fit.Augmentation
Premières lignes de pred_df:
tendance_shoc_niv1 expert fit.Déclin fit.Stable fit.Augmentation
1 Déclin Non 0.4000179 0.4999552 0.10002686
2 Stable Non 0.2139701 0.5720597 0.21397014
3 Augmentation Non 0.1496987 0.5540786 0.29622277
4 Déclin Oui 0.4092457 0.4941233 0.09663094
5 Stable Oui 0.2152386 0.5720543 0.21270712
6 Augmentation Oui 0.1190636 0.5268189 0.35411744
Dimensions de pred_long: 18 lignes
Résumé des probabilités:
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.09663 0.21302 0.32517 0.33333 0.49850 0.57206 Graphique sauvegardé: plots_predictions/pred_expert.png
Graphique combiné sauvegardé: plots_predictions/pred_combined.png 
Interprétation
1. Modèle Abondance (log)
Ce que montrent les prédictions
Quand l’abondance augmente :
La probabilité de Déclin diminue
La probabilité de Stable augmente légèrement
La probabilité d’Augmentation augmente clairement
Effet progressif et monotone, surtout visible pour Déclin et Augmentation
👉 Les espèces/sites plus abondants ont une probabilité plus élevée d’être associés à une tendance SHOC positive, et moins souvent à un déclin.
2. Modèle Popularité
Ce que montrent les prédictions
Les espèces populaires :
Ont une probabilité plus élevée d’Augmentation
Ont une probabilité plus faible de Déclin
Effet modéré mais net
Peu de changement pour la catégorie Stable
👉 La popularité est associée à une meilleure détection ou un suivi plus favorable, conduisant à des tendances SHOC plus positives.
3. Modèle Détectabilité
Ce que montrent les prédictions
Une forte détectabilité :
Réduit la probabilité de Déclin
Augmente fortement la probabilité d’Augmentation
Effet très marqué et cohérent
Peu d’effet sur Stable
👉 Les espèces mieux détectables sont plus souvent associées à des tendances positives, probablement via une meilleure estimation ou un biais de détection.
4. Modèle Faune France
Ce que montrent les prédictions
Effet fortement non linéaire
Pour Déclin :
Forte probabilité à faibles valeurs
Chute rapide ensuite
Pour Stable :
Pic à des valeurs intermédiaires
Pour Augmentation :
Forte augmentation aux valeurs élevées
👉 Faune de France agit comme un gradient structurant, avec :
Déclin dominant à faibles niveaux
Stabilité à niveaux intermédiaires
Augmentation à niveaux élevés
5. Modèle Pourcentage STOC
Ce que montrent les prédictions
Structure quasi identique à Faune de France :
Déclin dominant à faible pourcentage
Stable à valeurs intermédiaires
Augmentation à fort pourcentage
Effets très marqués et lisibles
👉 Une plus forte intégration au STOC est associée à des tendances SHOC plus favorables, avec une zone de transition intermédiaire.
6. Modèle Sexe
Ce que montrent les prédictions
Différences faibles entre F et H
Légère augmentation de la probabilité d’Augmentation chez H
Effets quasi parallèles
👉 Le sexe a un effet marginal, sans modifier fortement la distribution des catégories SHOC.
7. Modèle Ancienneté
Ce que montrent les prédictions
Quand l’ancienneté augmente :
Probabilité de Déclin augmente
Probabilité de Stable diminue
Probabilité d’Augmentation augmente légèrement
Effet progressif mais réel
👉 L’ancienneté modifie la structure des probabilités, avec un déplacement depuis la stabilité vers les catégories extrêmes.
8. Modèle Expert
Ce que montrent les prédictions
Différences très faibles entre Non et Oui
Légère hausse d’Augmentation chez les experts
Catégorie Stable quasi inchangée
👉 Le statut d’expert n’influence que marginalement la tendance SHOC.
Conclusion générale
✔ Les prédictions sont entièrement cohérentes avec les coefficients
✔ Les modèles à effets non linéaires (FauneFrance, STOC) sont les plus informatifs
✔ Les variables observationnelles (détectabilité, popularité) ont des effets clairs
✔ Les variables individuelles (sexe, expert) jouent un rôle secondaire
probabilité cumulative (d’être dans une catégorie supérieure)
Interpétation difficile de ces graphiques…. prendre les autres…
df AIC
m_n1_trait_allint 24 12041.85
m_n1_trait_all 15 12449.00
m_n1_trait_3int 8 12626.41
m_n1_trait_3 6 12663.54
m_n1_trait_4int 10 12907.52
m_n1_trait_6int 8 13007.70
m_n1_trait_2int 8 13124.40
m_n1_trait_2 6 13155.55
m_n1_trait_5int 9 13187.16
m_n1_trait_4 7 13290.92
m_n1_trait_6 6 13329.04
m_n1_trait_1int 8 13348.01
m_n1_trait_5 7 13387.73
m_n1_participant_allint 14 13429.54
m_n1_trait_1 6 13436.64
m_n1_participant_1int 8 13438.72
m_n1_participant_1 6 13450.92
m_n1_participant_2int 8 13451.01
m_n1_participant_all 8 13454.38
m_n1_participant_3int 8 13461.72
m_n1_base 5 13464.97
m_n1_participant_3 6 13465.59
m_n1_participant_2 6 13466.75ACP
Registered S3 methods overwritten by 'broom':
method from
nobs.fitdistr MuMIn
nobs.multinom MuMIn
Conclusion
Les participants n’associent pas une perception de tendances de populations en fonction des traits des espèces ni en fonction de leur caractéristiques personnelles.
La perceptions des participants est relativement indépendantes des variables testées.
Cela veut dire que les participants ne sont pas influencer pas le types
INTELLIGENCE COLLECTIVE
variables
avis_niv1 = “Déclin” ~ -1,“Augmentation” ~ 1, “Stable” ~ 0
round
ou
mean avis <= -0.2 ~ “Déclin”, mean avis >= 0.2 ~ “Augmentation”, -0.2 < mean avis > 0.2 ~ “Stable”
-1 0 1 <NA>
3269 5003 2033 0 Chi² : shoc vs round
Augmentation Déclin Stable
SHOC 9 8 5
AVIS 1 5 22Warning in chisq.test(tab_chi2_round): L’approximation du Chi-2 est peut-être
incorrecte
Pearson's Chi-squared test
data: tab_chi2_round
X-squared = 17.325, df = 2, p-value = 0.0001729Warning in chisq.test(tab_chi2_round): L’approximation du Chi-2 est peut-être
incorrecte[1] "résidus" Augmentation Déclin Stable
SHOC 3.276367 1.480904 -3.932849
AVIS -3.276367 -1.480904 3.932849[1] "proportions" Augmentation Déclin Stable
SHOC 0.40909091 0.3636364 0.2272727
AVIS 0.03571429 0.1785714 0.7857143Chi² : shoc vs quantile 0.2
Augmentation Déclin Stable
SHOC 9 8 5
AVIS 6 11 11
Pearson's Chi-squared test
data: tab_chi2_quantile02
X-squared = 2.6417, df = 2, p-value = 0.2669[1] "résidus" Augmentation Déclin Stable
SHOC 1.492094 -0.2113049 -1.245935
AVIS -1.492094 0.2113049 1.245935[1] "proportions" Augmentation Déclin Stable
SHOC 0.4090909 0.3636364 0.2272727
AVIS 0.2142857 0.3928571 0.3928571tendances par espece
Joining with `by = join_by(espece)`# A tibble: 28 × 4
espece tendance moyenne arr…¹ tendance moyenne qua…² `tendance stat SHOC`
<chr> <chr> <chr> <chr>
1 Accenteur… Stable Déclin Déclin
2 Alouette … Déclin Déclin Incertain
3 Bouscarle… Stable Augmentation Augmentation
4 Bruant zi… Stable Stable Augmentation
5 Chardonne… Stable Déclin Incertain
6 Choucas d… Stable Augmentation Augmentation
7 Geai des … Stable Stable Déclin
8 Grimperea… Stable Stable Augmentation
9 Grive dra… Stable Déclin Déclin
10 Grive lit… Déclin Déclin Incertain
# ℹ 18 more rows
# ℹ abbreviated names: ¹`tendance moyenne arrondie quiz`,
# ²`tendance moyenne quantile (-0.2, 0.2) quiz`variabilité des réponses par espece
Pas de correlation entre le tendances moyennes estimées collectivement et la variation (écart-type) dans les réponses
Call:
lm(formula = mean_intel_dt$mean_avis_niv1_intel ~ mean_intel_dt$sd_avis_niv1_intel)
Residuals:
Min 1Q Median 3Q Max
-0.5019 -0.3525 0.0251 0.3158 0.8052
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.8524 0.4731 -1.802 0.0832 .
mean_intel_dt$sd_avis_niv1_intel 1.1782 0.7886 1.494 0.1472
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.3857 on 26 degrees of freedom
Multiple R-squared: 0.07907, Adjusted R-squared: 0.04365
F-statistic: 2.232 on 1 and 26 DF, p-value: 0.1472# save environnement
#| eval: false
#| include: false
save.image(file = "SHOC-humain.RData")
# load("SHOC-humain.RData")